PENERAPAN METODE NAÏVE BAYES CLASSIFIER UNTUK MENGKLASIFIKASI TINGKAT PRESTASI AKADEMIK SANTRI PONDOK PESANTREN MAHASISWA (PPM) BAITUL JANNAH MALANG

(1)

PENERAPAN METODE NAÏVE BAYES CLASSIFIER UNTUK MENGKLASIFIKASI TINGKAT PRESTASI AKADEMIK SANTRI PONDOK PESANTREN MAHASISWA

(PPM) BAITUL JANNAH MALANG

Yoga Mochammad Firdaus

Program Studi Teknik Informatika S1, Fakultas Teknologi Industri Institut Teknologi Nasional Malang, Jalan Raya Karanglo km 2 Malang, Indonesia

yogamochfirdaus@gmail.com

ABSTRAK

Hasil prestasi akademik yang bagus akan membuat santri menjadi lebih termotivasi, sehingga dalam berjalannya proses belajar mengajar ilmu agama kepada santri bisa memenuhi target masing-masing guru, dan setiap santri yang diajar bisa menerima ilmu agama dengan maksimal. Para dewan guru di Pondok Pesantren Mahasiswa (PPM) Baitul Jannah semuanya masih menggunakan catatan dibuku dan sedikit bantuan teknologi yaitu Microsoft Ecxel untuk mencatat dan meyimpan data nilai maupun prestasi akademik para santri, sehingga dirasa kurang maksimal dan beresiko terjadinya human error untuk bisa mengetahui dan menentukan prestasi akademik santri yang naik dan menurun, sehingga para dewan guru sering kurang teliti dalam mengetahui para santrinya yang butuh bimbingan lebih dalam urusan keilmuan dan materi pembelajaran. Karna itu dibutuhkan suatu sistem baru yang lebih cepat dan efisien untuk bisa mengetahui prestasi akademik santri di PPM Baitul jannah.

Pada proses penelitian ini, maka dibuatlah sebuah sistem untuk mengklasifikasi tingkat prestasi akademik santri untuk memudahkan para dewan guru/ustadz dalam proses penetuan prestasi akademik santri dengan menggunakan metode Naive Bayes Classifier (NBC). Kriteria yang digunakan pada sistem ini adalah nilai materi pokok, nilai pemahaman konsep dan praktikum, nilai sikap dan perilaku, nilai lima sukses santri, nilai kegian ekstrakurikuler, absensi dan keaktifan dan nilai prestasi kuliah. Aplikasi pada penelitian ini diimplementasikan dan dirancang dengan menggunakan bahasa pemograman PHP (Hypertext Preprocessor), dan Database menggunakan MySQL.

Dari hasil pengujian aplikasi yang telah dibuat dengan metode Naive Bayes Classifier untuk memprediksi predikat prestasi akademik Santri, mampu menghasilkan akurasi dengan nilai 76%. Pengujian algoritma ini dilakukan menggunakan perhitungan probabilitas yaitu membandingkan predikat pada data lama dengan predikat hasil prediksi. Selain itu juga dilakukan pengujian aplikasi dengan menggunakan 3 browser yang berbeda, semua tampilan dan fungsi aplikasi dapat berjalan 100% pada 3 browser yaitu, Mozilla v.49.02, Chrome v.20.0.1132.17, dan Internet Explorer Windows 10. Dengan adanya aplikasi ini diharapkan para guru dapat melakukan evaluasi terhadap prestasi akademik santri dengan cepat dan akurat.

Kata kunci : Prestasi Akademik, Santri, Pondok Pesantren, Naive Bayes Classifier, MySQL.

1. PENDAHULUAN 1.1 Latar Belakang

Pondok Pesantren Mahasiswa (PPM) Baitul Jannah Malang diresmikan sejak tahun 2013 dan dipimpin oleh Ir. Muaz Nasution. Saat ini PPM tersebut telah memiliki 250 santri yang semuanya berstatus mahasiswa. Pondok Pesantren Mahasiswa (PPM) Baitul Jannah merupakan lembaga pendidikan dengan basis agama islam. Dengan jargon andalan “2 tahun ulama, 4 tahun sarjana” berusaha mencetak generasi profesional religius. Tidak hanya menawarkan program pendidikan agama, tetapi juga memfasilitasi para santri dalam menempuh pendidikan pada jenjang Strata dan Diploma. Setiap tahunnya, santri PPM Baitul Jannah juga mendapatkan laporan hasil belajar / rapor dari hasil pembelajaran di pondok. Proses penilaiannya sendiri diambil dari beberapa pembelajaran yang telah ada di kurikulum PPM Baitul jannah yang harus dipenuhi oleh santrinya, dan dikelompokkan berdasarkan

prestasi akademik dengan keterangan sangat baik, baik, atau cukup.

Dalam mengolah dan menyimpan data nilai akademik para santri yang kemudian dimasukkan kedalam rapor masing-masing santri, pihak PPM sudah menggunakan peran teknologi yaitu Micosoft Excel. Menurut peneliti, peran teknologi yang digunakan masih sedikit, karena perhitungan untuk rapor masih dilakukan secara manual.

Untuk itu, perlu adanya suatu inovasi atau gagasan yang dapat membantu para guru dalam menyelesaikan proses penilaian terhadap para santri sesuai dengan kelas-kelasnya masing-masing.

Klasifikasi adalah proses penemuan model (atau fungsi) yang menggambarkan dan membedakan kelas data atau konsep yang bertujuan agar bisa digunakan untuk memprediksi kelas dari objek yang label kelasnya tidak diketahui. Algoritma klasifikasi yang banyak digunakan secara luas, yaitu Decision/classiﬁcation trees, Naïve Bayes classiﬁers,

(2)

Neural networks, Analisa Statistik, Algoritma Genetika, Rough sets, k-nearest neighbor, Metode Rule Based, Memory based reasoning, dan Support vector machines (SVM).

Dalam Penelitian kali ini menggunakan metode Naive Bayes Classifier . karena metode tersebut hanya memerlukan sejumlah kecil data pelatihan untuk mengestimasi parameter yang dibutuhkan untuk klasifikasi.

1.2 Rumusan Masalah

Sehubungan dengan latar belakang yang diuraikan sebelumnya, maka penulis merumuskan beberapa masalah sebagai berikut :

1. Bagimana mengembangkan sistem klasifikasi untuk memprediksi tingkat prestasi akademik dengan menggunakan metode Naïve Bayes Classifier pada Pondok Pesantren Mahasiswa Baitul Jannah Malang.

1.3 Batasan Masalah

Batasan masalah dari pembuatan aplikasi dengan menggunakan metode Naïve Bayes Classifier untuk memprediksi predikat prestasi akademik santri PPM Baitul Jannah adalah sebagai berikut :

1. Data yang digunakan adalah santri Pondok Pesantren Mahasiswa Baitul Jannah Malang.

2. Kriteria yang digunakan terdiri dari nilai materi pokok, nilai pemahaman konsep dan praktikum, nilai sikap dan perilaku, nilai lima sukses santri, nilai ekstra kurikuler, absensi, dan nilai prestasi kuliah (ipk).

3. Metode yang digunakan adalah metode NBC (Naïve Bayes Classifier), digunakan untuk memprediksi predikat prestasi akademik santri.

4. Bahasa yang digunakan untuk membangun sistem adalah bahasa pemrograman Php dan database yang digunakan adalah MySQL.

1.4 Tujuan

Adapun yang menjadi tujuan penulisan dalam penyusunan penelitian skripsi adalah :

1. Untuk membantu para guru agar dapat menganalisa dan mengklasifikasi prestasi akademik santri.

2. Dengan aplikasi ini diharapkan dapat dengan mudah mengevaluasi prestasi santri, sehingga bisa segera dilakukan langkah-langkah untuk membimbing santri yang prestasinya sedang menurun.

3. Agar dapat dihasilkan dokumen atau laporan yang lebih cepat dan akurat.

2. TINJAUAN PUSTAKA 2.1 Penelitian Terkait

Sorang peneliti bernama Bustami pada tahun 2013 melakukan penelitian dengan menerapkan metode naïve bayes untuk mengklasifikasi data nasabah asuransi. Penelitian yang dilakukan Bustami

dalam membayar. Metode naïve bayes adalah salah satu algoritma dalam teknik klasifikasi yang menurut Bustami mudah untuk diimplementasikan dan cepat prosesnya. Dengan hasil perhitungan metode tersebut Bustami mengklasifikasikan data nasabah asuransi yang lancar dan tidak lancar [1]. Kemajuan teknologi di segala bidang meningkat dengan begitu cepat.

Kemajuan ini membawa konsekuensi peningkatan kebutuhan akan daya listrik. Sehingga pada tahun 2015 Alfa Saleh melakukan penelitian untuk memprediksi besarnya penggunaan lisrik dalam rumah tangga. Menganalisis masalah, mengumpulkan data, implementasi dan pengujian merupakan tahapan penelitian yang dilakukan Alfa. Metode naïve bayes memanfaatkan data training untuk menghasilkan probabilitas setiap kriteria untuk class yang berbeda, sehingga nilai-nilai probabilitas dari kriteria tersebut dapat dioptimalkan untuk memprediksi penggunaan listrik dalam rumah tangga [2]. Pada tahun yang sama Alfa Saleh juga melakukan penelitian data mining untuk memprediksi kelulusan mahasiswa dalam mengikuti English Proficiency Test. Penelitian ini dilakukan Alfa untuk membantu mingkatkan presentase tingkat kelulusan mahasiswa dalam mengikuti test. Keuntungan Penggunaan metode Naïve Bayes hanya membutuhkan jumlah data pelatihan (Training Data) yang kecil. Dari penelitian tersebut terlihat dari 50 data yang telah di klasifikasi, sebanyak 49 data berhasil diklasifikasikan dengan benar dan sebanyak 1 tidak berhasil diklasifikasikan dengan benar [3]. Penelitian yang di tulis oleh Harwati 2016 yaitu tentang prediksi mahasiswa bertujuan meningkatkan atau mempertahankan kinerja siswa selama masa studi. Penelitian dilakukan dengan menggunakan media software Rapid Miner yang dikombinasikan dengan metode Naïve Bayes Classifier. Tingkat akurasi yang terbentuk adalah sebesar 51.69% artinya model yang terbentuk kurang representatif, hal ini disebabkan penggunaan seluruh atribut tanpa dilakukan uji independensi pada proses perhitungan dan data yang didapatkan terlalu kecil sehingga menghasilkan tingkat akurasi yang kecil [4].

Upaya untuk memprediksi prestasi siswa juga dilakukan oleh Fathur Rahman 2016 di dalam penelitiannya. Penelitian ini dilakukan Fathur Rahman karena manurutnya sulit untuk menentukan factor atau variable yang mempengaruhi hasil belajar siswa. Penelitian ini dilakukan dengan menggunakan software data mining Rapid Miner. Percobaan dilakukan menggunakan metode klasifikasi Naïve Bayes. Dari penelitian yang dihasilkan, tingkat akurasi prediksi hanya sebesar 5,79 % [5]. Tingkat kelulusan seroarang pelajar dalam menempuh pendidikan dapat dilihat dari tingkat prestasinya.

Prestasi dapat dicapai dengan mengandalkan kemampuan intelektual, emosional, dan spiritual, serta ketahanan diri dalam menghadapi situasi segala aspek kehidupan. Dalam kasus ini akan diterapkan pada PPM Baitul Jannah di Malang untuk

(3)

Sistem yang akan dibuat berbasis website dengan menggunakan metode Naïve Bayes Classifier.

Diharapkan sistem ini dapat membantu pihak PPM untuk meningkatkan kualitas prestasi akademik santrinya.

2.2 Metode Naive Bayes Classifier

Naïve Bayes Classifier merupakan salah satu metoda machine learning yang memanfaatkan perhitungan probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya.

Dasar dari Naïve Bayes yang dipakai dalam pemrograman adalah rumus Bayes :

P (A|B) = (P(B|A) * P(A))/P(B) ... (1) Peluang kejadian A sebagai B ditentukan dari peluang B saat A, peluang A, dan peluang B. Pada pengaplikasiannya nanti rumus ini berubah menjadi : P(Ci|D) = (P(D|Ci)*P(Ci)) / P(D) ... (2) Naïve Bayes Classifier atau bisa disebut sebagai Multinomial Naïve Bayes merupakan model penyederhanaan dari Metoda Bayes yang cocok dalam pengklasifikasian teks atau dokumen.

3. METODE PENELITIAN 3.1 Analisis Sistem

Sistem prediksi prestasi akademik yang akan dibuat adalah berbasis web dengan menggunakan metode Naïve Bayes Classifier. Data yang digunakan adalah santri Pondok Pesantren Mahasiswa Baitul Jannah di Kota Malang.

Diharapkan sistem ini dapat membantu pihak Pondok Pesantren Mahasiswa Baitul Jannah untuk meningkatkan kualitas prestasi akademik santrinya.

Dengan mengetahui tingkat prestasi santri, pihak Pondok dapat menyesuaikan materi yang digunakan dalam kurikulum.

Dalam sistem prediksi prestasi akademik yang dikembangkan dalam penelitian ini menggunakan metode Naïve Bayes Classifier yang diaplikasikan pada perhitungan nilai prediksi.

Input :

- Data Santri (nama, jk, angkatan) - Nilai Materi Pokok - Nilai Pemahaman Konsep dan Praktikum

- Nilai Sikap dan Perilaku - Nilai Lima Sukses Santri - Nilai ekstrakurikuler - Absensi - Prestasi kuliah (ipk)

Proses :

- Menghitung jumlah kelas/label - Menghitung jumlah kasus per kelas

- Menghitung semua variabel nilai dengan operasi NBC - Membandingkan hasil per kelas

Output : -Pengelompokan data berdasarkan hasil perhitungan metode NBC

Gambar 3.1 Desain Arsitektur Keterangan :

1. Input :

Proses diawali dengan meng-inputkan data santri dan nilai-nilai akademik santri yang dibutuhkan untuk perhitungan prediksi.

2. Proses :

Dari data-data yang telah diinputkan, selanjutnya akan diproses dengan perhitungan metode Naïve Bayes Classifier.

3. Output :

Output yang dihasilkan adalah pengelompokan dari hasil perhitungan metode Naïve Bayes Classifier berdasarkan data yang telah diinputkan.

3.2 Flowchart Sistem

Adapun flowchart yang dibuat untuk menggambarkan alur dari metode NBC ini adalah sebagai berikut :

START

INPUT DATA TRAINING

MENGHITUNG CLASS PROBABILITIES

MENGHITUNG CONDITIONAL PROBABILITIES

MENGHITUNG NILAI DATA INPUT

TERHADAP CONDITIONAL PROBABILITIES

HASIL PREDIKSI (HASIL NILAI TERTINGGI)

END

Gambar 3.2 Flowchart NBC 3.3 Struktur Menu

Struktur menu merupakan struktur yang menampilkan menu apa saja yang terdapat didalam aplikasi. Struktur menu yang akan dirancang di dalam aplikasi ini adalah sebagai berikut :

(4)

Sistem Klasifikasi Predikat Prestasi Akademik Santri PPM BJ

Login

Menu Utama

Data Santri Data Nilai Data Nilai

Perkriteria

Klasifikasi

predikat NBC

Logout

User

Insert

Update

Delete

Nilai MP

Nilai PKP

Nilai SP

Nilai 5ss

Nilai eks

Nilai abs

Nilai ip Insert

Update

Delete

Insert

Update

Delete

Insert

Update

Delete

Insert

Update

Delete

Insert

Update

Delete

Insert

Update

Delete

Insert

Update

Delete

Sangat Baik

Baik

Cukup

Data Training

Insert

Update

Delete

Perhitungan Class Probabilities

Pengujian NBC

Insert

Update

Delete

(5)

Keterangan :

Gambar 3.3 adalah alur menu secara keseluruhan, admin dapat melakukan proses input data santri sekaligus input data kriteria dan menampilkan hasil prediksi untuk para santri

3.4 Perhitungan Matematis Metode NBC

Naïve Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menggunakan teorema bayes dan mengasumsikan semua atribut independen atau tidak saling ketergantungan yang diberikan oleh nilai pada variable kelas (Patil and Sherekar, 2013). Berikut perhitungan metode Naïve Bayes pada studi kasus PPM Baitul Jannah dalam mengklasifikasi predikat prestasi nilai akademik :

a. Pembacaan Data Training

Untuk menentukan data yang akan dianalisis dengan metode Naïve Bayes maka langkah pertama yang dilakukan adalah membaca data training. Pada kasus ini ada sejumlah 63 data training. Adapun data training yang digunakan dapat dilihat pada table 3.1.

Tabel 3.1 Data Training

1 201701005 P Lambatan 55 81 B B A A 2,93 Sangat Baik

4 201701042 P Lambatan 52 82 B B B+ A 3,23 Baik

7 201701046 P Lambatan 52 85 B B B+ B+ 3,41 Baik

9 201701027 P Lambatan 53 70 C+ C+ A A 3,73 Cukup

10201701029 L Lambatan 55 86 B B A A 3,58 Sangat Baik

Predikat Pemaha

man Sikap dan Perilaku

Lima Sukses

Kegiatan Ekstrakur

Absensi/

Keaktifan Prestasi

Kuliah No. NIS JK Kelas Materi

Pokok

Dari table 3.1 terdapat 9 kriteria yang akan dilakukan proses perhitungan selanjutnya. Adapun data kriteria tersebut dapat dilihat bapada table 3.2.

Tabel 3.2 Kriteria Data

No. Kriteria

1. Jenis Kelamin 2. Kelas 3. Materi Pokok

4. Pemahaman Konsep dan Praktikum 5. Sikap dan Perilaku

6. Lima Sukses Santri 7. Kegiatan Ekstrakurikuler 8. Absensi dan Keaktifan 9. Prestasi Kuliah (IPK)

b. Menghitung Class Probabilitas

Dataset predikat memiliki 3 kelas masalah, sehingga dapat diketahui probabilitas (P) masing- masing kelas dengan cara membagi nilai frekuensi/jumlah data untuk masing-masing kelas masalah, dengan jumlah total nilai frekuensi/jumlah data pada kelas tersebut, seperti yang ditunjukkan dalah perhitungan berikut ini :

P(predikat=sangat baik) = (jumlah predikat = sangat baik) / (jumlah predikat=sangat baik + jumlah predikat=baik + jumlah predikat=cukup)

P(predikat=sangat memuaskan) = 39/(39+17+1) P(predikat=sangat memuaskan) = 0,61904

Hasil perhitungan seterusnya dapat dilihat pada table 3.3. perhitungan dilakukan terhadap semua kelas dari dataset predikat.

Tabel 3.3 Class Probabilities

No. Hasil

1. P(Predikat = Sangat Baik ) 39/(39+17+7) = 0,61905 2. P(Predikat = Baik ) 17/(39+17+7 = 0,26984 3. P(Predikat = Cukup ) 7/(39+17+7) = 0,11111

Class Probabilities

Jika terdapat hasil perhitungan dengan nilai 0 maka dilakukan perhitungan leplace correction dengan rumus sebagai berikut :

c. Menghitung Conditional Probabilities

Langkah selanjutnya adalah menghitung Conditional Probabilities, yaitu probabilitas setiap nilai input terhadap nilai kelas predikat.

Yang pertama adalah perhitungan untuk masing- masing peluang untuk kriteria Jenis Kelamin terhadap nilai kelas Predikat. Perhitungan detailnya adalah sebagai berikut :

P(jk=laki-laki|predikat=sangat baik) = jumlah jk=laki-laki dan predikat=sangat baik / jumlah predikat=sangat baik

P(jk=laki-laki|predikat=sangat baik) = 8 / 39 = 0,20512

Dengan perhitungan yang sama, dapat dihitung Conditional Probabilities untuk masing-masing kriteria yang lainnya. Untuk hasil perhitungan probabilitas kriteria Jenis Kelamin dapat dilihat pada table 3.4, untuk hasil perhitungan probabilitas kriteria Kelas dapat dilihat pada table 3.5, untuk hasil perhitungan probabilitas kriteria Materi Pokok dapat dilihat pada table 3.6, untuk hasil perhitungan probabilitas kriteria Pemahaman Konsep dan Praktikum dapat dilihat pada table 3.7, untuk hasil perhitungan probabilitas kriteria Sikap dan Perilaku dapat dilihat pada table 3.8, untuk hasil perhitungan probabilitas kriteria Lima Sukses Santri dapat dilihat pada table 3.9, untuk hasil perhitungan probabilitas kriteria Kegiatan Ekstrakurikuler dapat dilihat pada table 3.10, untuk hasil perhitungan probabilitas kriteria Absensi dan Keaktifan dapat dilihat pada table 3.11, untuk hasil perhitungan probabilitas kriteria Prestasi Kuliah dapat dilihat pada table 3.12.

Probabilitas kriteria jenis kelamin dapat dilihat pada tabel 3.4.

Tabel 3.4 Probabilitas Kriteria Jenis Kelamin

L P L P

Sangat Baik 8 31 0,20513 0,79487

Baik 7 10 0,41176 0,58824

Cukup 3 4 0,42857 0,57143

Probabilitas Predikat Jumlah Kejadian

(6)

Probabilitas kriteria jenis kelamin dapat dilihat pada tabel 3.5.

Tabel 3.5 Probabilitas Kriteria Kelas Lambatan Cepatan Lambatan Cepatan Sangat Baik 22 17 0,5641 0,4359

Baik 10 7 0,58824 0,41176

Cukup 3 4 0,42857 0,57143

Predikat Jumlah Kejadian Probabilitas

Probabilitas Kriteria Materi Pokok dapat dilihat pada tabel 3.6.

Tabel 3.6 Probabilitas Kriteria Materi Pokok

>50 <=50 >50 <=50 Sangat Baik 37 2 0,94872 0,05128

Baik 13 4 0,76471 0,23529

Cukup 6 1 0,85714 0,14286

Probabilitas Kriteria Pemahaman Konsep dan Praktikum dapat dilihat pada tabel 3.7.

Tabel 3.7 Probabilitas Kriteria Pemahaman Konsep dan Praktikum

>50 <=50 >50 <=50

Sangat Baik 39 0 0,95238 0,02381

Baik 17 0 0,9 0,05

Cukup 6 1 0,85714 0,14286

Probabilitas Kriteria Sikap dan Perilaku dapat dilihat pada tabel 3.8.

Tabel 3.8 Probabilitas Kriteria Sikap dan Perilaku

A B+ B C+ C A B+ B C+ C

Sangat Baik 0 1 36 2 0 0,02381 0,04762 0,88095 0,07143 0,02381

Baik 0 0 16 1 0 0,05 0,05 0,85 0,1 0,05

Cukup 0 0 2 4 1 0,1 0,1 0,3 0,5 0,2

Probabilitas Kriteria Lima Sukses Santri dapat dilihat pada tabel 3.9.

Tabel 3.9 Probabilitas Kriteria Lima Sukses Santri

Sangat Baik 0 0 38 1 0 0,02381 0,02381 0,92857 0,04762 0,02381

Baik 0 0 16 1 0 0,05 0,05 0,85 0,1 0,05

Cukup 0 0 2 5 0 0,1 0,1 0,3 0,6 0,1

Probabilitas Kriteria Kegiatan Ekstrakurikuler dapat dilihat pada tabel 3.10.

Tabel 3.10 Probabilitas Kriteria Kegiatan Ekstrakurikuler

Sangat Baik 29 5 5 0 0 0,71429 0,14286 0,14286 0,02381 0,02381

Baik 5 8 4 0 0 0,3 0,45 0,25 0,05 0,05

Cukup 2 1 3 1 0 0,3 0,2 0,4 0,2 0,1

Probabilitas Kriteria Absensi dan Keaktifan dapat dilihat pada tabel 3.11.

Tabel 3.11 Probabilitas Kriteria Absensi dan Keaktifan

Sangat Baik 27 11 1 0 0 0,66667 0,28571 0,04762 0,02381 0,02381

Baik 7 8 2 0 0 0,4 0,45 0,15 0,05 0,05

Cukup 2 4 1 0 0 0,3 0,5 0,2 0,1 0,1

Probabilitas Prestasi Kuliah dapat dilihat pada tabel 3.12.

Tabel 3.12 Probabilitas Kriteria Prestasi Kuliah (IPK)

>=3 <3 >=3 <3 Sangat Baik 34 5 0,871795 0,12821

Baik 15 2 0,882353 0,11765

Cukup 5 2 0,714286 0,28571

d. Pengujian Metode Naive Bayes Classifier

Dari nilai probabilitas diatas akan diuji data sebanyak 63 data dan dihasilkan klasifikasi prediksi seperti pada tabel 3.13. Adapun perhitungan prediksinya adalah sebagai berikut :

Pada data ke-1 untuk kriteria Jenis Kelamin = P, Kelas = Lambatan, Materi Pokok > 50, Pemahaman Konsep dan Praktikum > 50, Sikap dan Perilaku = B, Lima Sukses Santri = B, Kegiatan Ekstrakurikuler = A, Absensi dan Keaktifan = A dan Prestasi Kuliah <

3 bisa dihitung nilai prediksi probabilitas dari masing-masing nilai kelasnya sebagai berikut : P(predikat=sangatbaik|X)=(P(Jk=perempuan|predikat

=sangatbaik)*P(kelas=lambatan|predikat=sangatbaik)

*P(materipokok>50|predikat=sangatbaik)*P(pemaha man konsep dan praktikum>50|predikat=sangat baik)*P(sikap dan perilaku=B|predikat=sangat baik)*P(lima suksessantri=B|predikat=sangat baik)*P(kegiatan

ekstrakurikuler=A|predikat=sangatbaik)*P(absesi dankeaktifan=A|predikat=sangat baik)*P(prestasi kuliah<3|predikat=sangatbaik))*P(predikat=sangat baik)

P(predikat=sangat baik|X) = (0,79487 * 0,56410 * 0,94871 * 0,95238 * 0,88095 * 0,92857 * 0,71428 * 0,66666 * 0,12820) * 0,61904

P(predikat=sangat baik|X) = 0,01252

Dari perhitungan tersebut diperoleh nilai probabilitas P(predikat=sangat baik|X) adalah yang tertinggi yaitu dengan nilai 0,01252, sehingga prediksinya adalah Predikat Sangat Baik.

Hasil perhiutngan pengujian data training dengan metode Naïve bayes dapat dilihat pada tabel 3.13.

Tabel 3.13 Hasil Pengujian

Jenis KelaminKelas MP PKP SPLSS KE ABS PRESSangat Baik Baik Cukup 1 Sangat Baik P Lambatan 55 81 B B A A 2,93 0,01253 0,00066 0,00005 Sangat Baik 2 Sangat Baik P Lambatan 53 83 B B A A 3,34 0,08517 0,00492 0,00012 Sangat Baik 3 Sangat Baik P Lambatan 52 80 B B A A 2,88 0,01253 0,00066 0,00005 Sangat Baik 4 Baik P Lambatan 52 82 B B B+ A 3,23 0,01703 0,00737 0,00008 Sangat Baik 5 Sangat Baik P Lambatan 53 82 B B A A 3,44 0,08517 0,00492 0,00012 Sangat Baik 6 Sangat Baik P Lambatan 53 84 B B A A 2,87 0,01253 0,00066 0,00005 Sangat Baik

7 Baik P Lambatan 52 85 B B B+ B+ 3,41 0,00730 0,00830 0,00013 Baik

8 Sangat Baik P Lambatan 51 87 B B A A 3,62 0,08517 0,00492 0,00012 Sangat Baik

9 Cukup P Lambatan 53 70 C+C+ A A 3,73 0,00035 0,00007 0,00039 Cukup

10 Sangat Baik L Lambatan 55 86 B B A A 3,58 0,02198 0,00344 0,00009 Sangat Baik

Input Kategorial Probabilitas

Prediction No. Class

Berdasarkan tabel 3.13 dapat dilihat persentase untuk Correctly Classified Instance adalah sebesar 76% sementara persentase untuk Incorrectly Classified Instance adalah sebesar 24%. Dimana dari

(7)

predikat berhasil diklasifikasikan dengan benar dan sebanyak 15 data predikat tidak berhasil diklasifikasikan dengan benar.

4. HASIL DAN PEMBAHASAN 4.1 Implementasi dan Pengujian 1. Halaman Login

Pada halaman login ini, admin harus memasukkan username dan password terlebih dahulu untuk dapat mengakses aplikasi seperti yang ditunjukkan pada Gambar 4.1 berikut.

Gambar 4.1 Halaman Login 2. Halaman Menu Utama

Halaman menu utama adalah tampilan yang akan pertama kali ditampilkan setelah login ke aplikasi sistem klasifikasi tingkat prestasi akademik santri. Menu ini menampilkan beberapa menu lainnya yaitu menu data santri, menu data nilai, menu data nilai perkriteria, menu klasifikasi predikat, menu Naive Bayes Classifier, dan menu user. Tampilan halaman menu utama dapat dilihat pada Gambar 4.2 dibawah ini.

Gambar 4.2 Halaman Menu Utama 3. Halaman Data Santri

Halaman ini berfungsi untuk menampilkan biodata santri PPM Baitul Jannah. pada halaman data santri terdapat fitur untuk menambah, mangubah dan menghapus data santri. Selain itu, juga terdapat fitur tambahan yaitu itu pencarian data dan fitur untuk ekspor ke Excel, seperti pada Gambar 4.3.

Gambar 4.3 Halaman Data Santri 4. Menu Data Nilai Santri

Menu data nilai santri memiliki sub menu yang menampilkan menu-menu kriteria data nilai santri PPM Baitul Jannah yaitu menu materi pokok, menu pemahaman konsep dan praktikum, sikap dan perilaku, menu lima sukses santri, menu kegiatan ekstrakurikuler dan pengembangan diri, menu absensi dan keaktifan dalam kegiatan dan menu prestasi kuliah seperti yang ditunjukkan pada Gambar 4.4 sebagai berikut.

Gambar 4.4 Menu Data Nilai Santri a. Halaman Tambah Data Nilai MP

Halaman tambah data nilai Materi Pokok dapat dilihat pada Gambar 4.5.

Gambar 4.5 Halaman Tambah Nilai MP Halaman ini berfungsi untuk menambah data nilai pada kriteria Materi Pokok dari setiap santri.

b. Halaman Tambah Data Nilai PKP

Halaman tambah data nilai kriteria Pemahaman Konsep dan Praktikum dapat dilihat pada Gambar 4.6.

(8)

Gambar 4.6 Halaman Tambah Nilai PKP Pada Halaman ini berfungsi untuk menambahkan data nilai santri dari kriteria Pemahaman Konsep dan Praktikum.

c. Halaman Tambah Data Nilai SP

Halaman tambah data nilai kriteria Sikap dan Perilaku dapat dilihat pada Gambar 4.7 dibawah ini.

Gambar 4.7 Halaman Tambah Data Nilai SP Halaman ini berfungsi untuk menambahkan data nilai santri dari kriteria Sikap dan Perilaku..

d. Halaman Tambah Data Nilai LSS

Halaman tambah data nilai santri pada kriteria Lima Sukses santri dapat dilihat pada Gambar 4.8 sebagai berikut.

Gambar 4.8 Tambah Data Nilai LSS

Halaman ini berfungsi untuk menambahkan data nilai santri pada kriteria Lima Sukses santri.

e. Halaman Tambah Data Nilai Ekstra

Halaman tambah data nilai santri dalam kriteria Kegiatan Ekstrakurikuler dan Pengembangan Diri dapat dilihat pada Gambar 4.9 dibawah ini.

Gambar 4.9 Tambah Data Nilai Ekstrakurikuler Halaman ini berfungsi untuk menambahkan data nilai santri dalam kriteria Kegiatan Ekstrakurikuler dan Pengembangan Diri.

f. Halaman Tambah Data Nilai Absensi

Halaman tambah data nilai santri dalam kriteria Absensi dan Keaktifan dapat dilihat pada Gambar 4.10 sebagai berikut.

Gambar 4.10 Tambah Data Nilai Absensi Halaman ini berfungsi untuk menambahkan data nilai santri dalam kriteria Absensi dan Keaktifan.

g. Halaman Tambah Data Nilai IPK

Halaman tambah data nilai santri dalam kriteria Prestasi Kuliah dapat dilihat pada Gambar 3.11 dibawah ini

Gambar 4.11 Tambah Data Nilai Prestasi Kuliah Halaman ini berfungsi untuk menambahkan data nilai santri dalam kriteria Prestasi Kuliah.

5. Halaman Data Nilai Perkriteria

Halaman data nilai santri perkriteria ditampilkan seperti pada Gmabar 4.12 sebagai berikut.

(9)

Gambar 4.12 Halaman Data Nilai Perkriteria Halaman ini berfungsi untuk menampilan data nilai santri setiap kriteria. Pada halaman ini terdapat fitur Buton refresh yang berfungsi untuk memproses data nilai dari asing-masing kriteria, sehingga di hasilkan rata-rata nilainya dan ditampilkan pada halaman data nilai perkriteria ini

6. Halaman Hasil Klasifikasi

Halaman Hasil klasifikasi tingkat prestasi akademik santri PPM Baitul janah ditampilan seperti pada Gambar 4.13 dibawah ini.

Gambar 4.13 Halaman Hasil Klasifikasi Pada halaman Klasifikasi ini menampilkan Hasil klasifikasi tingkat predikat prestasi santri. Di dalam halaman ini terdapat fitur Buton refresh yang berfungsi untuk proses hasil perhitungan dengan metode Naive Bayes Classifier yang kemudian akan ditampilkan pada halaman hasil klasifikasi ini.

7. Pengujian

Pengujian sistem merupakan tahap uji coba dan sistem untuk menguji setiap fungsi vital agar nantinya dapat diambil kesimpulan apakah sistem berjalan dengan baik sesuai tujuan awal pembuatan aplikasi.

a. Pengujian fungsional sistem

Pengujian fungsional sistem dilakukan untuk menguji fitur-fitur yang ada pada sistem prediksi prestasi akademik santri PPM Baitul jannah . Hasil pengujian fungsional sistem ditunjukan dalam Tabel 4.1 seperti dibawah ini.

Tabel 4.1 Pengujian Sistem

No. Fungsi Yang Diuji B G

1. Login √ -

2. Halaman Data Santri

a. Tambah Data √ -

b. Ubah Data √ -

c. Hapus Data √ -

d. ExportTo Excel √ -

3. Menu Data Nilai Santri √ -

4. Halaman Nilai Materi Pokok

b. Ubah Data √ -

c. Hapus Data √ -

5. Halaman Nilai Pemahaman Konsep dan praktikum

b. Ubah Data √ -

c. Hapus Data √

6. Halaman Nilai Sikap dan Perilaku

b. Ubah Data √ -

c. Hapus Data √ -

7. Halaman Nilai 5 Sukses Santri

b. Ubah Data √ -

c. Hapus Data √ -

8. Halaman Nilai Kegiatan Ekstra

b. Ubah Data √ -

c. Hapus Data √ -

9. Halaman Nilai Absensi

b. Ubah Data √ -

c. Hapus Data √ -

10. Halaman Nilai Prestasi Kuliah

b. Ubah Data √ -

c. Hapus Data √ -

11. Halaman Data Nilai Perkriteria

a. Refresh √ -

12. Halaman Klasifikasi Predikat Santri

a. Refresh √ -

13. Menu Naive Bayes Classifier √ - 14. Halaman Data Training

b. Ubah Data √ -

c. Hapus Data √ -

15. Halaman Perhitungan Probabilitas

a. Refresh √ -

16. Halaman Pengujian NBC

a. Refresh √ -

17. Halaman User

b. Ubah Data √ -

c. Hapus Data √ -

18. Logout √ -

Keterangan :

 B : Berhasil

 G : Gagal

Berdasarkan hasil pungujian fungsional yang telah dilakukan mendapatkan hasil bahwa semua halaman, button dan laporan pada aplikasi sistem klasifikasi tingkat prestasi akademik santri PPM Baitul Jannah yang dibuat telah berhasil dan berjalan dengan baik.

b. Pengujian Browser

Pada tahapan pengujian aplikasi penggunaan browser ini dilakukan dengan menggunakan tiga browser. Dimana pengujian ini dilakukan untuk

(10)

mengetahui tingkat keberhasilan penggunaan browser. Dan berikut adalah tabel hasil pengujian dari pembuatan aplikasi menggunakan tiga browser yang ditunjukkan pada Tabel 4.2 dibawah ini.

Tabel 4.2 Pengujian Browser

Proses

Browser Mozilla

Firefox

Google Chrome

Internet Explorer Win.10

Login √ √ √

Tampilan

Menu Utama √ √ √

Menu Data

santri √ √ √

Menu Data

Nilai MP √ √ √

Menu Data

Nilai PKP √ √ √

Menu Data

Nilai SP √ √ √

Menu Data

Nilai 5SS √ √ √

Menu Data

Nilai Ekstra √ √ √

Menu Data

Nilai Absensi √ √ √

Menu Data

Nilai Kuliah √ √ √

Menu Data Nilai Perkriteria

√ √ √

Menu Klasifikasi Predikat

√ √ √

Menu Data

Training √ √ √

Menu Perhitungan Probabilitas

√ √ √

Menu Pengujian NBC

√ √ √

Menu user √ √ √

Keterangan :

√ : Berhasil X : Gagal

Pada hasil pengujian aplikasi dengan menggunakan 3 browser yang berbeda, semua tampilan dan fungsi aplikasi dapat berjalan 100%

pada 3 browser yaitu Mozilla, Chrome , dan Internet Explorer Windows 10.

5. PENUTUP 5.1 Kesimpulan

1. Perhitungan algoritma NBC yang diterapkan dalam mengklasifikasi tingkat prestasi akademik Santri mampu menghasilkan akurasi dengan nilai 76%.

Pengujian algoritma ini dilakukan menggunakan perhitungan probabilitas membandingkan predikat pada data lama dengan predikat hasil prediksi.

2. Proses klasifikasi tinfkat prestasi akademik Santri dilakukan dengan membangun sebuah halaman analisa prediksi berdasarkan algoritma NBC. Sistem yang dibangun mampu memprediksi sesuai dengan perhitungan algoritma secara manual. Data yang digunakan adalah 63 record data training dari data santri yang sudah terklasifikasi secara manual dan 123 record data testing dari santri yang belum terklasifikasi.

5.2 Saran

1. Sistem klasifikasi tingkat prestasi akademik santri ini perlu dilakukan perbandingan hasil perangkingan antara metode NBC dengan perangkingan yang lain seperti K-NN, WP, SAW, dan metode lainnya.

2. Untuk pengembangan lebih lanjut dari sistem ini hendaknya di buat penambahan kriteria yang dapat di tambahkan oleh user atau pihak PPM Baitul Jannah sendiri.

DAFTAR PUSTAKA

[1] Bustami, 2013. Klasifikasi Data Nasabah Asuransi Dengan Menggunakan Metode Naïve Bayes Classifier. Universitas Malikussaleh, Kabupaten Aceh Utara.

[2] Alfa Saleh, 2015. Prediksi Besarnya Penggunaan Listrik Rumah Tangga Dengan Metode Naïve Bayes Classifier. Universitas Potensi Utama, Medan.

[3] Alfa Saleh, 2015. Prediksi Kelulusan Mahasiswa Dalam Mengikuti English Proficiency Test Dengan Menggunakan Metode Naïve Bayes Classifier. Universitas Potensi Utama, Medan.

[4] Harwati, Hanna Miratama, 2016. Prediksi Prestasi Mahasiswa Dengan Jalur Siswa Berprestasi Menggunakan Metode Naïve Bayes Classifier. Universitas Islam Indonesia, Yogyakarta.

[5] Fathur Rahman, Muhammad Iqbal Firdaus, 2016. Prediksi Hasil Belajar Siswa Sekolah Menengah Pertama Dengan Menggunakan Metode Naïve Bayes Classifier. Universitas Islam Kalimantan, Banjarmasin.